"""出图方案规划器：DeepSeek 根据采集的商品信息生成套图方案。

方案每项 = 一类图（标题 + 说明 + 生图提示 + 张数 + 可选 SKU 绑定），
生成时按方案逐张出图；参考图可按 variant_name 精确绑定到对应 SKU 图。
"""
from __future__ import annotations

import json
import logging
import re

import httpx

from config import get_settings

log = logging.getLogger("suite.planner")

# 规划器可选用的图类型（与 prompt.py 的 builder 对应）
ALLOWED_KINDS = [
    "white_bg", "key_features", "selling_pt", "material",
    "lifestyle", "multi_scene", "ecommerce_detail",
    "size_chart", "sku_collection", "custom",
]

# 方案总张数安全上限（仅防模型跑飞，不干预正常规划；生图按张计费）：
# 默认 AI 自主决定张数（prompt 建议 8 张左右），上限 15；
# 「生图要求」明确写了「N 张」时按用户指定的来，上限放宽到 24。
PLAN_SAFETY_MAX = 15
PLAN_REQUIREMENTS_MAX = 24
MAX_VARIANT_MAIN_IMAGES = 2

# 规划器的图类归并。不同模型会把“细节图”写成材质图、卖点图或详情图，
# 因此均视作同一类覆盖，而不是强迫模型只使用 material。
SCENE_KINDS = {"lifestyle", "multi_scene"}
DETAIL_KINDS = {"material", "key_features", "selling_pt", "ecommerce_detail"}
_DIMENSION_PATTERN = re.compile(
    r"尺寸|长宽高|直径|厚度|(?:长|宽|高)\s*[:：×x*]?\s*\d+|\d+(?:\.\d+)?\s*(?:厘米|毫米|cm|mm|inch|in)\b",
    re.IGNORECASE,
)


def _total_budget(requirements: str | None) -> int:
    """从生图要求提取「N 张」作为总张数预算；未指定时用默认安全上限。"""
    if requirements:
        m = re.search(r"(\d+)\s*张", requirements)
        if m:
            return min(max(int(m.group(1)), 1), PLAN_REQUIREMENTS_MAX)
    return PLAN_SAFETY_MAX

SYSTEM_PROMPT = """你是一名资深电商视觉策划。根据商品信息规划一套电商套图的出图方案。

## 输出硬性约束（违反即失败）
1. 输出必须是**单行紧凑 JSON**：无换行、无缩进、无空格填充、无注释、无 markdown 围栏。
2. 顶层只有 summary 和 items 两个字段；每个 item 严格只有 kind/title/detail/prompt_hint/count/variant_name 六个字段，不得增删。
3. 文本长度上限（中文字符/英文单词数）：summary ≤ 25 字；title ≤ 8 字；detail ≤ 20 字；prompt_hint ≤ 15 个英文词。超限必须删减，不得省略号截断。
4. count 默认 1，仅当该类图确需多个变体时才 >1，最大 3。总张数由你根据商品复杂度与信息量自主决定，不设硬性数量，但建议 8 张左右；若「生图要求」明确指定了张数，必须严格按指定张数输出。
5. variant_name 只能从「SKU规格」列表原样照抄；没有绑定就输出 null。

## 规划规则
1. 套图必须均衡覆盖：白底主图、场景图、细节图；参数含可靠的长宽高/尺寸时还必须有尺寸标注图。按这个顺序先预留张数，再安排其他类型。
2. 白底主图（kind=white_bg）通常只出 1 张；有多个视觉差异明显的 SKU 时最多选 2 个代表款各出 1 张，variant_name 填对应规格名。**禁止因为 SKU 多而为每个 SKU 都规划主图**。仅当「生图要求」明确要求每个/全部 SKU 分别出图时才可例外。
3. 场景图（kind=lifestyle）：至少 1 张，按核心使用场景出 1-2 张，每张聚焦一个场景。
4. 细节图（kind=material / key_features / selling_pt / ecommerce_detail）：至少 1 张，展示关键细节、材质或结构；通常 1-2 张，每张聚焦一个卖点。
5. 尺寸标注图（kind=size_chart）：参数含长宽高/尺寸时必须出 1 张；无可靠尺寸参数时不要虚构尺寸。
6. SKU 合集图（kind=sku_collection）：仅在 SKU >1 且确有必要展示差异时出 1 张，优先级低于上述四类。
7. kind 枚举：white_bg / key_features / selling_pt / material / lifestyle / multi_scene / ecommerce_detail / size_chart / sku_collection / custom。
8. title 用中文短语（如「主图·粉色」「浴室壁挂」）；detail 中文说明这张图展示什么；prompt_hint 用英文描述构图要点。

## 输出示例（紧凑单行）
{"summary":"三色收纳盒全套图","items":[{"kind":"white_bg","title":"主图·粉色","detail":"粉色SKU白底主视觉","prompt_hint":"front view on white background","count":1,"variant_name":"粉色"}]}"""


def _system_prompt_with_requirements(requirements: str | None) -> str:
    """把生图要求作为最高优先级约束注入 system prompt（置于规划规则之前）。

    不仅声明优先级，还明确要求把要求落地到每个方案项的 prompt_hint，
    避免模型只把要求当作背景信息而不影响输出。
    """
    if not (requirements and requirements.strip()):
        return SYSTEM_PROMPT
    marker = "\n## 输出硬性约束"
    idx = SYSTEM_PROMPT.find(marker)
    if idx < 0:
        return SYSTEM_PROMPT
    req = requirements.strip()
    block = (
        "\n## 生图要求（最高优先级，硬性约束，覆盖下方所有规划规则与约束）\n"
        + req
        + "\n\n"
        + "规划方案时，必须把上述生图要求落地到每一项：\n"
        + "1. 每个方案项的 prompt_hint 必须融入上述要求的关键约束（如要求纯黑背景，则每个 prompt_hint 都要写明 black background）；\n"
        + "2. title / detail 措辞不得与上述要求矛盾；\n"
        + "3. 任何规划规则与上述要求冲突时，一律以本生图要求为准。\n"
    )
    return SYSTEM_PROMPT[:idx] + block + SYSTEM_PROMPT[idx:]


def _normalize_items(raw_items: list, sku_variants: list[str]) -> list[dict]:
    """清洗模型输出：kind 白名单、count 钳制、variant 必须真实存在。"""
    items: list[dict] = []
    for it in raw_items:
        if not isinstance(it, dict):
            continue
        kind = str(it.get("kind") or "custom")
        if kind not in ALLOWED_KINDS:
            kind = "custom"
        # title 缺失不再丢弃条目：从 detail / kind 兜底合成，避免整份方案被判空
        title = str(it.get("title") or "").strip()[:20] or str(it.get("detail") or "").strip()[:12] or kind
        try:
            count = max(0, min(3, int(it.get("count", 1))))
        except (TypeError, ValueError):
            count = 1
        variant = str(it.get("variant_name") or "").strip() or None
        if variant and variant not in sku_variants:
            variant = None  # 幻觉规格：丢弃绑定，回退主图
        items.append({
            "kind": kind,
            "title": title,
            "detail": str(it.get("detail") or "").strip()[:80],
            "prompt_hint": str(it.get("prompt_hint") or "").strip()[:300],
            "count": count,
            "variant_name": variant,
        })
    return items


def _has_dimensions(product_info: dict) -> bool:
    """仅在已采集到尺寸信息时规划尺寸图，避免模型编造数值。"""
    for param in product_info.get("params") or []:
        if not isinstance(param, dict):
            continue
        text = f"{param.get('key') or ''} {param.get('value') or ''}"
        if _DIMENSION_PATTERN.search(text):
            return True
    return False


def _requires_every_sku(requirements: str | None) -> bool:
    """用户显式要求逐 SKU 出图时，保留其优先级，不施加代表款上限。"""
    if not requirements:
        return False
    return bool(re.search(
        r"(?:每个|全部|所有|逐个|分别).{0,10}(?:sku|SKU|规格|款式|颜色|变体)",
        requirements,
    ))


def _coverage_group(kind: str) -> str:
    if kind == "white_bg":
        return "main"
    if kind in SCENE_KINDS:
        return "scene"
    if kind in DETAIL_KINDS:
        return "detail"
    if kind == "size_chart":
        return "size"
    return "other"


def _total(items: list[dict]) -> int:
    return sum(item["count"] for item in items)


def _group_total(items: list[dict], group: str) -> int:
    return sum(item["count"] for item in items if _coverage_group(item["kind"]) == group)


def _remove_one(items: list[dict], predicate) -> bool:
    """从后往前删除一个生成槽位，优先保留模型较早规划的构图。"""
    for index in range(len(items) - 1, -1, -1):
        if not predicate(items[index]):
            continue
        if items[index]["count"] > 1:
            items[index]["count"] -= 1
        else:
            items.pop(index)
        return True
    return False


def _make_room(items: list[dict], budget: int, minimums: dict[str, int]) -> bool:
    """为必需图类腾出一张，先去除非核心图或某类的冗余张数。"""
    candidates: list[tuple[int, int]] = []
    for index, item in enumerate(items):
        group = _coverage_group(item["kind"])
        if _group_total(items, group) <= minimums.get(group, 0):
            continue
        # other 最低优先；同类冗余时从后面的项开始删。
        priority = 0 if group == "other" else 1
        candidates.append((priority, -index))
    if not candidates:
        return False
    _, neg_index = min(candidates)
    index = -neg_index
    item = items[index]
    if item["count"] > 1:
        item["count"] -= 1
    else:
        items.pop(index)
    return True


def _balanced_items(
    items: list[dict],
    sku_variants: list[str],
    product_info: dict,
    requirements: str | None,
    budget: int,
) -> list[dict]:
    """将 LLM 方案约束为信息均衡的商品套图。

    提示词能改善规划倾向，但不能保证每次输出。这里把 SKU 主图总量限制为
    代表款数量，并在预算允许时补齐核心图类，避免 SKU 多时挤掉场景/细节/尺寸图。
    """
    balanced = [dict(item) for item in items if item["count"] > 0]

    if not _requires_every_sku(requirements):
        max_mains = 1 if len(sku_variants) <= 1 else MAX_VARIANT_MAIN_IMAGES
        while sum(item["count"] for item in balanced if item["kind"] == "white_bg") > max_mains:
            _remove_one(balanced, lambda item: item["kind"] == "white_bg")

    required: list[tuple[str, dict]] = [
        ("main", {
            "kind": "white_bg", "title": "白底主图", "detail": "商品白底主视觉",
            "prompt_hint": "front view on pure white background", "count": 1,
            "variant_name": sku_variants[0] if sku_variants else None,
        }),
        ("scene", {
            "kind": "lifestyle", "title": "使用场景", "detail": "展示商品实际使用场景",
            "prompt_hint": "product in a natural everyday use setting", "count": 1,
            "variant_name": None,
        }),
        ("detail", {
            "kind": "material", "title": "细节展示", "detail": "突出材质与结构细节",
            "prompt_hint": "close-up of authentic material and construction details", "count": 1,
            "variant_name": None,
        }),
    ]
    if _has_dimensions(product_info):
        required.append(("size", {
            "kind": "size_chart", "title": "尺寸标注", "detail": "展示已采集的商品尺寸",
            "prompt_hint": "clear size chart using known product dimensions", "count": 1,
            "variant_name": None,
        }))

    # 用户明确要求较小张数时，优先保留前面的核心图类；不突破其指定预算。
    required = required[:budget]
    minimums = {group: 1 for group, _ in required}
    for group, fallback in required:
        if _group_total(balanced, group) > 0:
            continue
        while _total(balanced) >= budget and _make_room(balanced, budget, minimums):
            pass
        if _total(balanced) < budget:
            balanced.append(fallback)

    while _total(balanced) > budget and _make_room(balanced, budget, minimums):
        pass
    return balanced


def _repair_truncated(s: str) -> dict | None:
    """截断修复：从最后一个完整的 '}' 处截断，剥尾逗号后按括号配平补全闭合。

    适用于「items 数组中途被 max_tokens 截断」的场景——截断点在完整对象边界，
    此前的字符串必然已闭合，简单计数配平即可。
    """
    for cut in (m.end() for m in reversed(list(re.finditer(r'\}', s)))):
        cand = s[:cut].rstrip().rstrip(',')
        opens: list[str] = []
        for ch in cand:
            if ch in '{[':
                opens.append(ch)
            elif ch == '}' and opens and opens[-1] == '{':
                opens.pop()
            elif ch == ']' and opens and opens[-1] == '[':
                opens.pop()
        suffix = ''.join('}' if o == '{' else ']' for o in reversed(opens))
        try:
            data = json.loads(cand + suffix)
            if isinstance(data, dict):
                return data
        except json.JSONDecodeError:
            continue
    return None


def _extract_json(text: str) -> dict:
    """从模型输出提取 JSON：剥离思考块/markdown 围栏，截断时尝试修复。"""
    s = (text or '').strip()
    # 剥离思考块（思考型模型会把推理过程放进 <think>）
    s = re.sub(r'<think>.*?</think>', '', s, flags=re.S).strip()
    # 剥离 markdown 代码围栏
    m = re.search(r'```(?:json)?\s*(.*?)```', s, flags=re.S)
    if m:
        s = m.group(1).strip()
    try:
        return json.loads(s)
    except json.JSONDecodeError:
        pass
    start = s.find('{')
    if start >= 0:
        repaired = _repair_truncated(s[start:])
        if repaired is not None:
            log.warning("规划器输出疑似被截断，已自动截断修复（可能丢失末尾部分方案项）")
            return repaired
    raise ValueError("模型输出无法解析为 JSON")


async def generate_plan(
    product_info: dict,
    sku_variants: list[str],
    image_stats: dict,
    platform: str,
    requirements: str | None = None,
) -> dict:
    """调用 DeepSeek 生成方案。返回 {summary, items}。

    requirements：生图要求，最高优先级注入 system prompt，规划方案必须遵循。
    """
    s = get_settings()
    if not s.deepseek_api_key:
        raise RuntimeError("未配置 DEEPSEEK_API_KEY（.env）")

    user_payload: dict = {
        "商品信息": product_info,       # {title, desc, params:[{key,value}], sellingPoints, price}
        "SKU规格": sku_variants,        # 带图的 SKU 规格名（variant_name 只能从中选）
        "图片统计": image_stats,         # {main: n, sku: n, detail: n}
        "目标平台": platform,            # ozon/wb/cn（决定图内文案语言）
    }
    # 生图要求同时在 user 侧强调（与 system prompt 双重约束），确保模型真正遵循
    if requirements and requirements.strip():
        user_payload["生图要求（最高优先级，必须体现在每个方案项中）"] = requirements.strip()
    user_content = json.dumps(user_payload, ensure_ascii=False)

    last_error: RuntimeError | ValueError | None = None
    for attempt in range(2):  # 解析失败/空方案自动重试一次
        async with httpx.AsyncClient(timeout=90, verify=False) as client:
            resp = await client.post(
                f"{s.deepseek_base_url.rstrip('/')}/chat/completions",
                headers={"Authorization": f"Bearer {s.deepseek_api_key}", "Content-Type": "application/json"},
                json={
                    "model": s.deepseek_model,
                    "messages": [
                        {"role": "system", "content": _system_prompt_with_requirements(requirements)},
                        {"role": "user", "content": user_content},
                    ],
                    "response_format": {"type": "json_object"},
                    "temperature": 0.3,
                    "max_tokens": 8000,
                    # deepseek-v4 是思维链模型：不禁用 thinking 会把 max_tokens 烧在推理上，
                    # 正文为空 → 只能拿 reasoning_content 兜底解析 → 频发「解析失败/未返回有效方案项」
                    "thinking": {"type": "disabled"},
                },
            )
            resp.raise_for_status()
            body = resp.json()
            message = body["choices"][0]["message"]
            finish_reason = body["choices"][0].get("finish_reason", "")
            usage = body.get("usage") or {}
            log.info(
                "规划器 token 用量: prompt=%s completion=%s finish=%s",
                usage.get("prompt_tokens", "?"), usage.get("completion_tokens", "?"), finish_reason,
            )
            content = message.get("content") or ""
            # 思考型输出：content 为空时从 reasoning_content 里捞
            if not content.strip() and message.get("reasoning_content"):
                content = message["reasoning_content"]

        try:
            data = _extract_json(content)
        except ValueError as exc:
            last_error = exc
            log.error(
                "规划器第 %d 次输出解析失败 finish_reason=%s content[:200]=%s",
                attempt + 1, finish_reason, content[:200],
            )
            continue

        items = _normalize_items(data.get("items") or [], sku_variants)
        if items:
            # 先压缩多 SKU 的重复主图、补齐核心视觉类别，再执行总量保护。
            # 生图要求指定「N 张」时按 N 放宽上限，并始终不突破该预算。
            budget = _total_budget(requirements)
            items = _balanced_items(items, sku_variants, product_info, requirements, budget)
            return {"summary": str(data.get("summary") or "").strip()[:100], "items": items}

        last_error = RuntimeError("规划器未返回有效方案项")
        log.warning(
            "规划器第 %d 次返回无有效方案项 finish_reason=%s content[:200]=%s",
            attempt + 1, finish_reason, content[:200],
        )

    raise last_error or RuntimeError("规划器未返回有效方案项")